How Online Reviews and Services Affect Physician Outpatient Visits: Content Analysis of Evidence From Two Online Health Care Communities
Notice bibliographique
Résumé
BACKGROUND: Online healthcare communities are changing the ways of physician-patient communication and how patients choose outpatient care physicians. Although a majority of empirical work has examined the role of online reviews in consumer decisions, less research has been done in health care, and endogeneity of online reviews has not been fully considered. Moreover, the important factor of physician online services has been neglected in patient decisions. OBJECTIVE: In this paper, we addressed the endogeneity of online reviews and examined the impact of online reviews and services on outpatient visits based on theories of reviews and channel effects. METHODS: We used a difference-in-difference approach to account for physician- and website-specific effects by collecting information from 474 physician homepages on two online health care communities. RESULTS: We found that the number of reviews was more effective in influencing patient decisions compared with the overall review rating. An improvement in reviews leads to a relative increase in physician outpatient visits on that website. There are channel effects in health care: online services complement offline services (outpatient care appointments). Results further indicate that online services moderate the relationship between online reviews and physician outpatient visits. CONCLUSIONS: This study investigated the effect of reviews and channel effects in health care by conducting a difference-in-difference analysis on two online health care communities. Our findings provide basic research on online health care communities.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».